Combinatorial expression of glial transcription factors induces Schwann cell‐specific gene expression in mouse embryonic fibroblasts
Notice bibliographique
Résumé
Abstract Background Schwann cells provide peripheral nerve trophic support, myelinate axons, and assist in repair. However, Schwann cell repair capacity is limited by chronic injury, disease, and aging. Schwann cell reprogramming is a cellular conversion strategy that could provide a renewable cell supply to repair injured nerves. Here, we developed a plasmid‐based approach to test the Schwann cell conversion potential of four glial transcription factors. Results We employed four transcription factors implicated in Schwann cell differentiation and repair: Sox10, Sox2, Jun, and Pax3. Expression vectors were generated for Sox10 alone and two triple transcription factor combinations: Jun‐Pax3‐Sox2 (triple 1, T1) and Sox10‐Jun‐Sox2 (triple 2, T2). Mouse embryonic fibroblasts (MEFs) were transfected with these vectors, transferred to glial inductive media, and Schwann cell‐marker expression was in assessed by immunostaining, flow cytometry, and qPCR. All expression vectors repressed fibroblast‐specific gene expression. However, T2 was most efficient at generating O4 + Schwann cell‐like cells, which had some capacity to myelinate denervated axons from explanted dorsal root ganglia. In comparison, T1 more efficiently induced repair Schwann cell‐marker expression in converted O4 + cells. Conclusions T1 and T2 convert MEFs to Schwann cells with different efficacies and gene expression profiles, and may provide cell‐based therapies for peripheral nerve repair.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».